Giới thiệu dự án

Thị trường chứng khoán Việt Nam (TTCKVN) ghi nhận sự phát triển vượt bậc với quy mô vốn hóa đạt 7,3 triệu tỷ đồng (tương đương 82,15% GDP) và hơn 1.626 doanh nghiệp niêm yết (DNNY) trên các sàn HOSE, HNX và UPCoM tính đến quý 1/2023. Tuy nhiên, sự tăng trưởng nóng về quy mô và thanh khoản đặt ra thách thức nghiêm trọng về tính minh bạch của thông tin tài chính. Báo cáo từ Hiệp hội Kiểm tra Gian lận Hoa Kỳ (ACFE) ước tính các tổ chức thiệt hại trung bình 5% doanh thu hàng năm do gian lận; trong đó, gian lận báo cáo tài chính (Fraudulent Financial Statements - FFS) tuy chỉ chiếm 9% số vụ nhưng gây tổn thất nặng nề nhất với mức thiệt hại trung bình lên đến 593.000 USD/vụ. Tại Việt Nam, áp lực duy trì giá cổ phiếu, huy động vốn và đáp ứng kỳ vọng thị trường đã thúc đẩy nhiều doanh nghiệp sử dụng các thủ thuật kế toán dồn tích (accruals) và điều chỉnh thu nhập để làm sai lệch thực trạng tài chính.

+-----------------------------------------------------------------------------------+
|                              TAM GIÁC GIAN LẬN (CRESSEY)                           |
|                                                                                   |
|                   [ÁP LỰC / ĐỘNG CƠ]                                              |
|                   - Kỳ vọng lợi nhuận từ nhà phân tích                            |
|                   - Duy trì định giá cổ phiếu, chuẩn bị IPO/phát hành riêng lẻ     |
|                   - Tránh vi phạm covenant trong hợp đồng tín dụng                |
|                                     /       \                                     |
|                                    /         \                                    |
|                                   /           \                                   |
|   [CƠ HỘI]                       /             \       [HỢP LÝ HÓA / THÁI ĐỘ]     |
|   - Kiểm soát nội bộ yếu kém    /_______________\      - Chuẩn mực đạo đức thấp   |
|   - Ước tính kế toán chủ quan                          - Bù đắp khó khăn tạm thời |
|   - Giao dịch bên liên quan phức tạp                   - Giảm thuế TNDN           |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và Pain Points

  • Bất cân xứng thông tin (Information Asymmetry): Nhà đầu tư cá nhân (chiếm 99% tài khoản giao dịch) và tổ chức tài chính thiếu công cụ định lượng tự động để phát hiện các dấu hiệu bóp méo lợi nhuận tinh vi.
  • Hạn chế của kiểm toán truyền thống: Kiểm toán viên chịu áp lực về thời gian và giới hạn phương pháp kiểm tra chọn mẫu, khó bao quát toàn bộ các ước tính kế toán chủ quan và giao dịch lòng vòng (như các đại án JVC, Dược Cửu Long, Enron, Toshiba).
  • Rủi ro hệ thống: Gian lận BCTC làm sai lệch dòng vốn đầu tư, suy giảm niềm tin thị trường và gây thiệt hại trực tiếp cho các bên liên quan.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận về động cơ, thủ thuật và dấu hiệu nhận diện gian lận BCTC dựa trên lý thuyết Tam giác gian lận (Donald Cressey) và Chuẩn mực kiểm toán Việt Nam VSA 240.
  2. Xây dựng và tính toán bộ chỉ số M-Score 8 biến (Messod D. Beneish) trên tập dữ liệu thực nghiệm gồm 400 DNNY tại Việt Nam giai đoạn 2018–2021.
  3. Ứng dụng mô hình hồi quy nhị phân Binary Logistic (Logit) để kiểm định thực nghiệm mối quan hệ giữa các biến số kế toán dồn tích và khả năng gian lận BCTC.
  4. Đề xuất khung khuyến nghị định lượng hỗ trợ nhà đầu tư, kiểm toán viên và cơ quan quản lý (UBCKNN) giám sát rủi ro tài chính kịp thời.

Phương pháp tiếp cận và Kết quả kỳ vọng

Dự án kết hợp phương pháp định lượng hồi quy kinh tế lượng và kỹ thuật phân tích chỉ số tài chính chuyên sâu. Kết quả kỳ vọng là xác định chính xác các trọng số tác động biên của từng biến chỉ số trong mô hình M-Score đối với các DNNY tại Việt Nam, thiết lập ngưỡng Cut-off $-1.78$ chuẩn xác để phân loại BCTC có rủi ro gian lận cao với độ tin cậy thống kê tối ưu (kiểm định qua FITSTAT và Pearson Correlation Matrix).

Phạm vi và Giới hạn

  • Không gian: 400 công ty niêm yết trên HOSE (221 công ty), HNX (173 công ty), UPCoM (4 công ty) và OTC (2 công ty).
  • Thời gian: Dữ liệu BCTC kiểm toán giai đoạn 2018–2021 (1.600 quan sát năm-doanh nghiệp).
  • Giới hạn ngành: Loại trừ các định chế tài chính, ngân hàng và công ty bảo hiểm do cấu trúc BCTC mang tính đặc thù cao.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Độ chính xác phát hiện
Kiểm toán truyền thống (VSA 240) Đánh giá chi tiết chứng từ gốc và kiểm soát nội bộ Tốn kém chi phí, phụ thuộc vào chọn mẫu, khó phát hiện thông đồng cấp cao Thụ động theo kỳ báo cáo
Altman Z-Score Đơn giản, hiệu quả trong dự báo kiệt quệ tài chính (distress) Tập trung vào khả năng phá sản, không chuyên biệt cho thao túng doanh thu/chi phí ~70% (đối với phá sản)
Dechow F-Score (2011) Đánh giá biến dồn tích và yếu tố phi tài chính Yêu cầu nhiều biến thị trường phức tạp, khó thu thập đầy đủ tại TTCKVN 50% - 75%
Beneish M-Score (1999) Phản ánh đồng thời 8 khía cạnh: doanh thu, chi phí, khấu hao, đòn bẩy và dồn tích Đòi hỏi dữ liệu 2 năm liên tiếp, nhạy cảm với chính sách kế toán từng quốc gia 76% - 81%

Yêu cầu kỹ thuật theo mô hình MoSCoW

  • Must have (Bắt buộc): Pipeline tính toán 8 chỉ số thành phần Beneish M-Score; mô hình hồi quy Binary Logistic; kiểm định đa cộng tuyến (VIF/Pearson correlation); kiểm tra độ phù hợp mô hình (FITSTAT, Log-likelihood).
  • Should have (Nên có): Chức năng chuyển đổi M-Score sang xác suất gian lận thông qua hàm phân phối tích lũy chuẩn NORMDIST; ma trận phân loại (Classification Matrix).
  • Could have (Có thể có): Phân tích hiệu ứng từng phần (Partial Effects) và tác động biên (Marginal Effects) trên phần mềm chuyên dụng.
  • Won't have (Chưa thực hiện): Tích hợp xử lý ngôn ngữ tự nhiên (NLP) phân tích văn bản thuyết minh BCTC trong phạm vi nghiên cứu này.

Thiết kế hệ thống và Cấu trúc mô hình

+-------------------+      +----------------------+      +----------------------+
|  Dữ liệu thô      | ---> | Xử lý dữ liệu        | ---> | Tính toán chỉ số     |
|  BCTC Vietstock   |      | Excel 2016 / Clean   |      | 8 biến Beneish       |
|  (400 DNNY)       |      | Chuẩn hóa VAS/IFRS   |      | DSRI, GMI, AQI...    |
+-------------------+      +----------------------+      +----------------------+
                                                                    |
                                                                    v
+-------------------+      +----------------------+      +----------------------+
| Phân loại rủi ro  | <--- | Mô hình Logit        | <--- | Đánh giá M-Score     |
| Cut-off = -1.78   |      | Stata 14 / FITSTAT   |      | Y = 1 (M > -1.78)    |
| Xác suất P(Y=1)   |      | Marginal Effects     |      | Y = 0 (M <= -1.78)   |
+-------------------+      +----------------------+      +----------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Xử lý bảng tính & Trích xuất: Microsoft Excel 2016 (hàm tài chính, ma trận NORMDIST).
  • Phân tích kinh tế lượng: Stata Version 14.0 (gói lệnh logit, fitstat, correlate, margins).
  • Nguồn dữ liệu: Vietstock Finance Database, UBCKNN.
  • Ngôn ngữ triển khai tham chiếu: Python 3.10 (Pandas 2.0.3, Statsmodels 0.14.0, Scikit-learn 1.3.0).

Công thức toán học và Đặc tả biến mô hình Beneish M-Score

$$M\text{-Score} = -4.84 + 0.920 \times \text{DSRI} + 0.528 \times \text{GMI} + 0.404 \times \text{AQI} + 0.892 \times \text{SGI} + 0.115 \times \text{DEPI} - 0.172 \times \text{SGAI} + 4.037 \times \text{TATA} + 0.0327 \times \text{LVGI}$$

Trong đó:

  1. DSRI (Days Sales in Receivables Index): $$\text{DSRI} = \frac{\text{Phải thu}t / \text{Doanh thu}t}{\text{Phải thu}{t-1} / \text{Doanh thu}{t-1}}$$
  2. GMI (Gross Margin Index): $$\text{GMI} = \frac{(\text{Doanh thu}{t-1} - \text{Giá vốn}{t-1}) / \text{Doanh thu}_{t-1}}{(\text{Doanh thu}_t - \text{Giá vốn}_t) / \text{Doanh thu}_t}$$
  3. AQI (Asset Quality Index): $$\text{AQI} = \frac{1 - (\text{TSNH}t + \text{TSCĐ}t) / \text{Tổng TS}t}{1 - (\text{TSNH}{t-1} + \text{TSCĐ}{t-1}) / \text{Tổng TS}{t-1}}$$
  4. SGI (Sales Growth Index): $$\text{SGI} = \frac{\text{Doanh thu}t}{\text{Doanh thu}{t-1}}$$
  5. DEPI (Depreciation Index): $$\text{DEPI} = \frac{\text{Khấu hao}{t-1} / (\text{TSCĐ}{t-1} + \text{Khấu hao}_{t-1})}{\text{Khấu hao}_t / (\text{TSCĐ}_t + \text{Khấu hao}_t)}$$
  6. SGAI (Sales, General and Administrative Expense Index): $$\text{SGAI} = \frac{\text{Chi phí QLDN & BH}t / \text{Doanh thu}t}{\text{Chi phí QLDN & BH}{t-1} / \text{Doanh thu}{t-1}}$$
  7. TATA (Total Accruals to Total Assets): $$\text{TATA} = \frac{\text{Lợi nhuận từ HĐKD}_t - \text{Lưu chuyển tiền tệ thuần từ HĐKD}_t}{\text{Tổng TS}_t}$$
  8. LVGI (Leverage Index): $$\text{LVGI} = \frac{\text{Nợ phải trả}t / \text{Tổng TS}t}{\text{Nợ phải trả}{t-1} / \text{Tổng TS}{t-1}}$$

Phương pháp luận nghiên cứu (Methodology)

Nghiên cứu tuân thủ quy trình chuẩn 4 giai đoạn:

  1. Giai đoạn 1 (Data Collection): Thu thập và làm sạch 1.600 BCTC kiểm toán từ Vietstock.
  2. Giai đoạn 2 (Feature Engineering): Tính toán 8 tỷ số tài chính thành phần trên Microsoft Excel 2016.
  3. Giai đoạn 3 (Econometric Modeling): Đưa các biến vào Stata 14, thực hiện hồi quy Binary Logistic: $$P(Y_i = 1 | X_i) = \frac{1}{1 + e^{-(\beta_0 + \sum \beta_k X_{ki})}}$$
  4. Giai đoạn 4 (Validation & Diagnostics): Kiểm tra ma trận tương quan Pearson, kiểm định mức độ phù hợp qua FITSTAT và đánh giá tác động biên.

Implementation và kết quả

Quy trình phát triển và Thuật toán cốt lõi

Dưới đây là mã nguồn đại diện triển khai thuật toán tính toán Beneish M-Score và dự báo nhị phân:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_beneish_variables(df_current, df_prior):
    """
    Tính toán 8 biến số Beneish từ báo cáo tài chính năm hiện tại (t) và năm trước (t-1).
    """
    dsri = (df_current['rec'] / df_current['rev']) / (df_prior['rec'] / df_prior['rev'])
    
    gm_prior = (df_prior['rev'] - df_prior['cogs']) / df_prior['rev']
    gm_curr = (df_current['rev'] - df_current['cogs']) / df_current['rev']
    gmi = gm_prior / gm_curr
    
    non_curr_assets_curr = 1.0 - (df_current['ca'] + df_current['ppe']) / df_current['ta']
    non_curr_assets_prior = 1.0 - (df_prior['ca'] + df_prior['ppe']) / df_prior['ta']
    aqi = non_curr_assets_curr / non_curr_assets_prior
    
    sgi = df_current['rev'] / df_prior['rev']
    
    depr_rate_prior = df_prior['depr'] / (df_prior['ppe'] + df_prior['depr'])
    depr_rate_curr = df_current['depr'] / (df_current['ppe'] + df_current['depr'])
    depi = depr_rate_prior / depr_rate_curr
    
    sgai = (df_current['sga'] / df_current['rev']) / (df_prior['sga'] / df_prior['rev'])
    
    tata = (df_current['operating_income'] - df_current['cfo']) / df_current['ta']
    
    lvgi = (df_current['total_debt'] / df_current['ta']) / (df_prior['total_debt'] / df_prior['ta'])
    
    m_score = (-4.84 + 0.920 * dsri + 0.528 * gmi + 0.404 * aqi 
               + 0.892 * sgi + 0.115 * depi - 0.172 * sgai 
               + 4.037 * tata + 0.0327 * lvgi)
    
    # Phân loại rủi ro theo ngưỡng Cut-off chuẩn -1.78
    fraud_flag = (m_score > -1.78).astype(int)
    
    return pd.DataFrame({
        'DSRI': dsri, 'GMI': gmi, 'AQI': aqi, 'SGI': sgi,
        'DEPI': depi, 'SGAI': sgai, 'TATA': tata, 'LVGI': lvgi,
        'M_SCORE': m_score, 'FRAUD_FLAG': fraud_flag
    })

# Ví dụ kiểm định hồi quy Binary Logistic trên Stata tương đương:
# logit FRAUD_FLAG DSRI GMI AQI SGI DEPI SGAI TATA LVGI, robust
# fitstat

Kiểm định thống kê và Validation

  • Kiểm định đa cộng tuyến (Multicollinearity): Phân tích ma trận 36 hệ số tương quan Pearson cho thấy không có cặp biến nào có hệ số tương quan vượt quá $0.25$, đảm bảo hiện tượng đa cộng tuyến nghiêm trọng không xảy ra giữa các biến giải thích.
  • Độ phù hợp mô hình (FITSTAT): Kiểm định Likelihood Ratio ($\text{LR } \chi^2$) đạt mức ý nghĩa $p < 0.001$, chỉ số Pseudo $R^2$ chứng minh mô hình có năng lực giải thích mạnh mẽ đối với hành vi thao túng kế toán.
  • Xác thực thực nghiệm tình huống điển hình (Case Study):
    • Công ty Cổ phần Nhựa An Phát Xanh (Mã CK: AAA): Tính toán M-Score giai đoạn 2019–2021 cho thấy năm 2019 điểm $M\text{-Score} = -1.62 > -1.78$ (gắn nhãn cảnh báo rủi ro 1), năm 2020 điểm $M\text{-Score} = -2.15 < -1.78$ (gắn nhãn 0), và năm 2021 điểm số quay lại vùng cảnh báo $M\text{-Score} = -1.54 > -1.78$ (gắn nhãn 1), phản ánh chính xác các giai đoạn biến động khoản phải thu và mở rộng đầu tư tài sản dồn tích.
+------------------------------------------------------------------------------------+
|                KẾT QUẢ PHÂN LOẠI M-SCORE TẠI AAA (2019 - 2021)                     |
|                                                                                    |
|   Năm 2019: M-Score = -1.62  [ > -1.78 ]  ===> RỦI RO GIAN LẬN CAO (Mã hóa = 1)   |
|   Năm 2020: M-Score = -2.15  [ < -1.78 ]  ===> VÙNG AN TOÀN        (Mã hóa = 0)   |
|   Năm 2021: M-Score = -1.54  [ > -1.78 ]  ===> RỦI RO GIAN LẬN CAO (Mã hóa = 1)   |
+------------------------------------------------------------------------------------+

Kết quả đạt được

  • Xử lý và tính toán thành công toàn bộ chỉ số cho 400 doanh nghiệp trong 4 năm liên tiếp (1.600 quan sát).
  • Xác định các nhân tố có tác động biên mạnh nhất đến rủi ro gian lận BCTC tại Việt Nam gồm: biến dồn tích (TATA), chỉ số phải thu khách hàng (DSRI) và chỉ số tăng trưởng doanh thu (SGI).

Đổi mới và đóng góp

  1. Chuẩn hóa mô hình pháp y kế toán quốc tế trên dữ liệu VAS: Khóa luận là một trong những công trình tiên phong áp dụng toàn diện mô hình 8 biến Beneish M-Score trên mẫu nghiên cứu quy mô lớn (400 DNNY) đa sàn (HOSE, HNX, UPCoM) tại Việt Nam.
  2. So sánh vượt trội với các nghiên cứu tiền nhiệm:
    • Nghiên cứu của Nguyễn Trọng Hiếu (2020) đạt độ chính xác 73,7% nhưng chỉ tập trung vào biến quản trị công ty.
    • Nghiên cứu của Hoàng Thị Thanh Huyền (2016) trên mô hình F-Score phát hiện 50% sai sót trên mẫu 30 công ty.
    • Mô hình Beneish M-Score trong nghiên cứu này cung cấp cơ chế cảnh báo sớm với độ chính xác đạt trên 78%, hỗ trợ phân rã chi tiết nguyên nhân gian lận từ doanh thu khống đến vốn hóa chi phí sai quy định.
  3. Đóng góp học thuật và thực tiễn: Cung cấp bằng chứng thực nghiệm rõ ràng về tác động của các khoản dồn tích bất thường đến chất lượng thông tin kế toán trên thị trường cận biên.

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                        LUỒNG TRIỂN KHAI ỨNG DỤNG THỰC TẾ                          |
|                                                                                   |
| [Dữ liệu đầu vào] -> [Engine Tính Toán M-Score] -> [Phân Tích Tác Động Biên]      |
|                                                              |                    |
|                                                              v                    |
|                        [BẢNG ĐIỀU KHIỂN & CẢNH BÁO RỦI RO]                         |
|                       /                             \                             |
|                      v                               v                            |
|        [Nhà Đầu Tư / Quỹ Quản Lý]             [Kiểm Toán Viên Độc Lập]            |
|        - Tự động lọc cổ phiếu rủi ro         - Nhận diện vùng kiểm tra trọng yếu  |
|        - Tối ưu danh mục đầu tư              - Tăng cường hoài nghi nghề nghiệp   |
+-----------------------------------------------------------------------------------+

Kịch bản ứng dụng thực tế

  • Dành cho Nhà đầu tư cá nhân & Quỹ đầu tư: Tích hợp bộ lọc M-Score vào quy trình thẩm định doanh nghiệp (Due Diligence). Tự động loại bỏ các cổ phiếu có $M\text{-Score} > -1.78$ trước khi phân tích định giá P/E, DCF.
  • Dành cho Công ty Kiểm toán (Audit Firms): Hỗ trợ kiểm toán viên lập kế hoạch kiểm toán (Audit Planning), nhận diện các khoản mục có rủi ro có sai sót trọng yếu cao (như các khoản phải thu bất thường hoặc vốn hóa tài sản dở dang) nhằm bố trí thủ tục kiểm tra chi tiết thích hợp.
  • Dành cho Ủy ban Chứng khoán Nhà nước (UBCKNN): Tự động quét BCTC toàn thị trường định kỳ để phát hiện các dấu hiệu bất thường, chủ động thanh tra các doanh nghiệp có chỉ số cảnh báo liên tục qua các năm.

Lộ trình triển khai khuyến nghị

+------------------------------------------------------------------------------------+
| Giai đoạn 1: Chuẩn hóa dữ liệu BCTC định dạng XML/XBRL (Tháng 1 - Tháng 3)         |
| Giai đoạn 2: Xây dựng Module tính toán M-Score tự động trên Excel/Python (Tháng 4)  |
| Giai đoạn 3: Tích hợp API phân tích rủi ro vào hệ thống giao dịch/kiểm toán (Tháng 5)|
| Giai đoạn 4: Đánh giá định kỳ và hiệu chỉnh trọng số hồi quy Logit (Hàng năm)      |
+------------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phạm vi đối tượng: Chưa bao quát nhóm định chế tài chính (ngân hàng, bảo hiểm, chứng khoán) do hệ thống tài khoản và chuẩn mực BCTC riêng biệt.
  • Thời gian quan sát: Mẫu nghiên cứu 2018–2021 cần được cập nhật liên tục để phản ánh biến động kinh tế vĩ mô thời kỳ hậu đại dịch.
  • Dữ liệu định tính: Mô hình thuần túy dựa trên các chỉ số số học, chưa khai thác dữ liệu phi tài chính và thuyết minh về các bên liên quan.

Hướng phát triển đề xuất

  1. Mở rộng phát triển mô hình Machine Learning (Random Forest, XGBoost, Neural Networks) kết hợp với các biến quản trị công ty (quy mô HĐQT, tính độc lập của ban kiểm soát).
  2. Ứng dụng Text Mining và Natural Language Processing (NLP) để phân tích mức độ trung thực trong Báo cáo thường niên và Thuyết minh BCTC.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                               ĐỐI TƯỢNG HƯỞNG LỢI                                  |
|                                                                                    |
| [1. Sinh viên / Học viên]       -> Nguồn học liệu chuẩn mực về mô hình M-Score     |
| [2. Nhà phân tích / Developer]  -> Thuật toán định lượng & code mẫu Stata/Python   |
| [3. Nhà đầu tư / Doanh nghiệp]  -> Công cụ quản trị rủi ro, bảo vệ vốn đầu tư     |
| [4. Nhà nghiên cứu / Học giả]   -> Bộ dữ liệu thực nghiệm 1.600 quan sát tại VN    |
+------------------------------------------------------------------------------------+
  • Sinh viên chuyên ngành Kế toán - Kiểm toán - Tài chính: Tiếp cận mô hình định lượng thực tế, kết hợp nhuần nhuyễn giữa lý thuyết kế toán tài chính và kinh tế lượng ứng dụng.
  • Lập trình viên & Chuyên viên Phân tích Dữ liệu Tài chính: Cung cấp mã nguồn thuật toán, logic xử lý dữ liệu và phương pháp làm sạch dữ liệu BCTC.
  • Nhà đầu tư & Doanh nghiệp: Giảm thiểu rủi ro thua lỗ từ các vụ bê bối tài chính, nâng cao tiêu chuẩn minh bạch thông tin trong doanh nghiệp.
  • Nhà nghiên cứu: Tài liệu tham khảo có giá trị học thuật cao với hệ thống kiểm định thống kê đa biến chặt chẽ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình Beneish M-Score là gì?

Hệ thống chỉ yêu cầu công cụ bảng tính cơ bản như Microsoft Excel 2016 (sử dụng các công thức số học và hàm NORMDIST) hoặc môi trường lập trình Python 3.8+ (với các thư viện pandas, numpy). Dữ liệu đầu vào cần tối thiểu 2 kỳ BCTC liên tiếp đã kiểm toán gồm Bảng cân đối kế toán, Báo cáo kết quả kinh doanh và Báo cáo lưu chuyển tiền tệ.

2. Giới hạn quy mô (Scalability) của mô hình là bao nhiêu?

Mô hình có độ phức tạp thuật toán $O(N)$ với $N$ là số lượng doanh nghiệp. Với tập dữ liệu toàn thị trường gồm gần 2.000 DNNY, thuật toán xử lý hoàn tất trong dưới 5 giây trên máy tính cá nhân tiêu chuẩn, cho phép mở rộng quy mô quét dữ liệu toàn bộ thị trường định kỳ hàng quý.

3. Làm thế nào để tích hợp M-Score vào hệ thống phân tích sẵn có?

M-Score có thể được đóng gói dưới dạng hàm thư viện Python hoặc truy vấn SQL tính toán tự động trong Data Warehouse tài chính. Kết quả tính toán được xuất ra dưới dạng điểm số định lượng và cờ cảnh báo nhị phân (FRAUD_FLAG $= 1$ khi M-Score $> -1.78$).

4. Chi phí triển khai và tỷ suất hoàn vốn (ROI) được ước tính như thế nào?

Chi phí triển khai mô hình gần như bằng 0 nếu tận dụng hạ tầng dữ liệu và công cụ tính toán nguồn mở. Giá trị kinh tế (ROI) mang lại là cực kỳ lớn thông qua việc bảo toàn vốn, ngăn ngừa các khoản đầu tư rủi ro hàng tỷ đồng vào các doanh nghiệp gian lận BCTC.

5. Tại sao mô hình loại trừ các ngân hàng và công ty bảo hiểm?

Ngân hàng và tổ chức tín dụng có cơ cấu bảng cân đối kế toán đặc thù (các khoản cho vay là tài sản chính, tiền gửi là nguồn vốn nợ, không có các chỉ tiêu Hàng tồn kho hay Giá vốn hàng bán thông thường), do đó các tỷ số DSRI, GMI, AQI trong mô hình chuẩn của Beneish không áp dụng được trực tiếp.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Nguyễn Hoa Trà My (Đại học Kinh tế - ĐHQGHN) đã giải quyết thành công bài toán nhận diện gian lận báo cáo tài chính tại các DNNY Việt Nam bằng phương pháp định lượng hiện đại. Thông qua việc kiểm định mô hình Beneish M-Score và hồi quy Binary Logistic trên tập mẫu lớn 400 doanh nghiệp giai đoạn 2018–2021, nghiên cứu đã chứng minh tính hiệu quả của các chỉ số kế toán dồn tích trong việc phát hiện sớm rủi ro thao túng lợi nhuận. Đây là công cụ hữu ích cho các nhà đầu tư, tổ chức kiểm toán và cơ quan điều hành thị trường nhằm nâng cao tính minh bạch, hướng tới sự phát triển bền vững của thị trường chứng khoán Việt Nam.